解耦分类器：提升少样本目标检测和实例分割的有效方法
计算机视觉与模式识别
2025-05-21 v1
摘要
本文聚焦于少样本目标检测(FSOD)和实例分割(FSIS)，这需要模型能够仅凭少数标记实例快速适应新类别。现有方法严重受限于缺失标签问题的分类偏差，这一问题在实例级少样本场景中自然存在，是本文首次提出的。我们的分析表明，大多数FSOD或FSIS模型的标准分类头需要进行解耦以缓解分类偏差。因此，我们提出一种简单却有效的方法，将标准分类器解耦为两个分类头。然后，这两个独立的分类头能够分别处理由缺失标签引起的清晰正样本和噪声负样本。如此一来，模型能够有效学习新类别，同时减轻噪声负样本的影响。我们的方法无需额外计算成本和参数，却在PASCAL VOC和MS-COCO基准测试中显著优于基线和最先进方法。代码可在 https://csgaobb.github.io/Projects/DCFS 获取。
引用
@article{arxiv.2505.14239,
title = {Decoupling Classifier for Boosting Few-shot Object Detection and Instance Segmentation},
author = {Bin-Bin Gao and Xiaochen Chen and Zhongyi Huang and Congchong Nie and Jun Liu and Jinxiang Lai and Guannan Jiang and Xi Wang and Chengjie Wang},
journal= {arXiv preprint arXiv:2505.14239},
year = {2025}
}
备注
Accepted by NeurIPS 2022